Las señales de vibración de rodamientos de rodillos contienen rica información sobre características de fallos. Sin embargo, su característica de pulso periódico a menudo se ve interferida por un fuerte ruido de fondo, lo que reduce la capacidad de reconocimiento de características de las estrategias de diagnóstico de fallos. Por lo tanto, extraer con precisión la información de pulso periódico bajo un fuerte ruido de fondo es un desafío clave en el diagnóstico de fallos de rodamientos de rodillos. Para abordar esto, se propone una estrategia de extracción de características de fallos que combina la reducción de grupo superpuesta por wavelet (WOGS) y la entropía de permutación ponderada jerárquica multiescalar envolvente extendida (EEHMWPE). Primero, se aplica la descomposición wavelet para descomponer las señales de vibración originales en coeficientes wavelet, con WOGS ajustando adaptativamente el nivel de reducción basado en relaciones de energía para suprimir eficazmente el ruido. A continuación, para la señal denoised, EEHMWPE extrae características de pulso periódico integrando análisis de envolvente, ponderación y características estadísticas extendidas. El procesamiento de envolvente realza los impulsos inducidos por fallos, el esquema de ponderación destaca los patrones de fallos dominantes, y las características estadísticas extendidas mejoran aún más la separabilidad de clases entre señales normales y de fallos. Finalmente, la estrategia fue validada en el banco de pruebas de rodamientos, CWRU y conjuntos de datos de HUST, todos los cuales lograron más del 99% de precisión con un reconocimiento de características superior.